引言

傳統(tǒng)的土壤－作物重金屬檢測(cè)方法有光學(xué)檢測(cè)法、電化學(xué)檢測(cè)法和生物學(xué)檢測(cè)法，這些傳統(tǒng)檢測(cè)方法雖然檢測(cè)精度高、檢出限低，但取樣和檢測(cè)步驟繁瑣、耗費(fèi)人力和物力，同時(shí)大規(guī)模土壤采樣會(huì)破壞農(nóng)田土壤且難以實(shí)現(xiàn)，無(wú)法達(dá)到快速、實(shí)時(shí)監(jiān)測(cè)大面積農(nóng)田土壤的要求。高光譜遙感技術(shù)綜合了探測(cè)器技術(shù)、精密光學(xué)機(jī)械、微弱信號(hào)檢測(cè)、計(jì)算機(jī)技術(shù)和信息處理技術(shù); 與傳統(tǒng)遙感技術(shù)相比，高光譜遙感技術(shù)具有波段多、光譜分辨率高、空間分辨率高等優(yōu)勢(shì)。大量研究表明，利用高光譜遙感技術(shù)可以定量反演作物中化學(xué)物質(zhì)的含量。袁自然等通過(guò)暗室中測(cè)定的土壤反射率光譜，分析了洪湖市燕窩鎮(zhèn)土壤重金屬砷( As) 的含量和分布。張霞等采集河北省雄安新區(qū)雄縣和安新縣70個(gè)耕地土壤樣點(diǎn)地面光譜，構(gòu)建了土壤Pb含量的反演模型，并獲得了良好的精度。

當(dāng)植物受到土壤中重金屬污染脅迫時(shí)，會(huì)影響其葉綠素的合成，同時(shí)也會(huì)使植物的細(xì)胞結(jié)構(gòu)和水分含量發(fā)生變化，從而改變植物葉片的光譜特性。已有研究表明利用作物光譜可以反演土壤中重金屬元素的含量。

材料與方法

2.1研究區(qū)概況

研究區(qū)位于江蘇省宜興市徐舍鎮(zhèn)( 圖 1)。宜興市(地理位置31°07' ～ 31°37'N，119°31' ～ 120°03'E)位于江蘇省南部，屬亞熱帶季風(fēng)氣候，年均氣溫和降水分別為16．0℃和1434．0mm，農(nóng)田主要分布在西部、北部的平原地區(qū)和低洼圩區(qū)，主要作物為水稻、冬小麥等。徐舍鎮(zhèn)位于宜興市西部，是該市最大的農(nóng)業(yè)鎮(zhèn)，耕地面積達(dá)1．2萬(wàn)hm2，土壤類(lèi)型主要為水稻土、黃棕壤和潮土等。

圖1 研究區(qū)概況及采樣點(diǎn)分布

2.2樣品采集與數(shù)據(jù)測(cè)定

在宜興市徐舍鎮(zhèn)農(nóng)田區(qū)域內(nèi)均勻設(shè)置22個(gè)采樣地( 圖 1) ，每個(gè)采樣點(diǎn)用五點(diǎn)采樣法采集0～20cm 的水下表層土壤樣品進(jìn)行混合。利用田間便攜式光譜儀采集水稻葉片光譜，光譜儀的光譜范圍為301～1 145nm，光譜分辨率為3．3nm。測(cè)量時(shí)間為北京時(shí)間11: 00—13: 00，每次光譜測(cè)定前進(jìn)行白板標(biāo)定。在每個(gè)采樣點(diǎn)內(nèi)隨機(jī)選擇 5 株水稻，每株水稻選擇3張完全展開(kāi)的葉片分別測(cè)量5次葉片光譜，同一采樣地點(diǎn)共測(cè)量75次葉片光譜。采集的土壤樣品在實(shí)驗(yàn)室 60 ℃烘干，去除小石子和植物殘?bào)w后研磨并過(guò)100目篩，一部分土壤樣品用電位法測(cè)量 pH 值，另一部分采用電感耦合等離子質(zhì)譜 ( ICP－MS) 法測(cè)定土壤樣品總Cd和總As含量。

2.3高光譜預(yù)處理

由于光譜數(shù)據(jù)在紫外部分有較大噪聲，選取380～1145nm 范圍內(nèi)的光譜反射率進(jìn)行數(shù)據(jù)分析。將同一采樣點(diǎn)采集的75條光譜曲線(xiàn)剔除異常值后取平均值得到該采樣點(diǎn)的水稻葉片光譜。由于光譜儀在不同波段之間在能量響應(yīng)上存在一定差別，某些波段測(cè)量的光譜反射率可能發(fā)生急劇變化，導(dǎo)致光譜曲線(xiàn)存在“毛刺”，掩蓋了光譜特征信息。同時(shí)，在對(duì)水稻葉片進(jìn)行光譜測(cè)定的過(guò)程中，大氣、光照條件、水面反射和光譜儀等因素都可能影響覆蓋目標(biāo)的光譜特征信息。因此，須要對(duì)水稻葉片光譜依次進(jìn)行平滑處理和光譜變換，以去除“毛刺”和 減弱背景噪聲，從而突出光譜特征。本研究對(duì)片光譜進(jìn)行savitzky－golay ( SG) 平 滑，平滑處理后的光譜稱(chēng)為原始光譜( Ｒ) 。對(duì)原始光譜進(jìn)行一階微分( FD) 、二階微分( SD) 、倒數(shù)對(duì)數(shù)變換( AT) 、倒數(shù)對(duì)數(shù)的一階微分( AFD) 、倒數(shù)對(duì)數(shù)的二階微分( ASD) 、多元散射校正( MSC) 和標(biāo)準(zhǔn)正態(tài)變量變換( SNV) 共 7 種光譜變換。

2.4 水稻葉片光譜與土壤重金屬含量相關(guān)性分析

本研究采用皮爾遜相關(guān)系數(shù)對(duì)預(yù)處理的光譜與重金屬含量進(jìn)行相關(guān)性分析。如果拒絕原假設(shè)的概率結(jié)果( P ＜ 0． 05) ，則認(rèn)為光譜數(shù)據(jù)與重金屬含量之間存在顯著的相關(guān)關(guān)系。

2.5 土壤重金屬污染估測(cè)模型構(gòu)建

2.5.1 遺傳算法波段篩選

本研究將原始光譜和7種變換光譜采用遺傳算法( GA)篩選連續(xù)波 長(zhǎng)。光譜數(shù)據(jù)用偏最小二乘法建模前，利用遺傳算法進(jìn)行波長(zhǎng)篩選，可以減少冗余波長(zhǎng)，優(yōu)化模型預(yù)測(cè)性能，提高模型穩(wěn)定性。本研究設(shè)置GA參數(shù)值為種群大小40，交叉概率 0．5，突變概率 0． 01，遺 傳代數(shù) 100，為減少隨機(jī)性影響每種預(yù)處理光譜與重金屬含量的組合重復(fù)運(yùn)行 10 次。以偏最小二乘回歸的留一交叉驗(yàn)證法均方根誤差( ＲMSECV) 作為 適應(yīng)度判據(jù)，ＲMSECV 越低，個(gè)體適應(yīng)度越高。

2.5.2 偏最小二乘回歸法構(gòu)建模型

將22個(gè)光譜和重金屬含量數(shù)據(jù)樣本分為2個(gè)部分，每4個(gè)樣本挑選一個(gè)作為驗(yàn)證，共有17個(gè)樣本作為建模集用于建模分析，5個(gè)樣本作為驗(yàn)證集用于模型精度驗(yàn)證。將GA選擇的光譜波段用偏最小二乘回歸法 ( PLSＲ) 進(jìn)行建模分析。PLSＲ通過(guò)將自變量和因變量同時(shí)投影到新的坐標(biāo)系中，提取對(duì)變量解釋性最強(qiáng)的自變量作為主成分，來(lái)構(gòu)造一個(gè)新的線(xiàn)性模型，可以減少共線(xiàn)性和噪聲影響，提升模型魯 棒性。在 PLSＲ 建模分析過(guò)程中，成分過(guò)多引入會(huì)導(dǎo)致解釋模型檢驗(yàn)過(guò)程方差的能力降低，增加額外的噪音而導(dǎo)致模型的預(yù)測(cè)精度下降。本研究中采用留一交叉驗(yàn)證法確定主成分( PC) 的最佳數(shù)量， 即以主成分少、決定系數(shù)( r2) 高、ＲMSECV低作為較優(yōu)模型判據(jù)確定主成分個(gè)數(shù)。

2.5.3 模型精度驗(yàn)證

模型精度驗(yàn)證采用內(nèi)部驗(yàn) 證和外部驗(yàn)證結(jié)合。內(nèi)部驗(yàn)證采用交叉驗(yàn)證決定系數(shù)(r2cv) 、交叉驗(yàn)證均方根誤差(ＲMSECV) ，對(duì)比一般 PLSＲ方法建模和GA－PLSＲ建模，評(píng)價(jià)模型精度。r2cv越接近 1，說(shuō)明模型擬合程度和穩(wěn)定性更好。ＲMSECV 越低說(shuō)明模型精度越高。將驗(yàn)證集5個(gè)樣本數(shù)據(jù)代入GA－PLSＲ模型得到模型的外部驗(yàn)證值，以外部驗(yàn)證決定系數(shù)( r2pre) 、 外部驗(yàn)證均方根誤差( ＲMSEP) 和相對(duì)分析誤差 (ＲPD) 評(píng)價(jià)模型估測(cè)精度。r2pre越接近 1，說(shuō)明模型擬合程度和穩(wěn)定性更好。ＲMSEP越低說(shuō)明模型精度越高。ＲPD評(píng)價(jià)標(biāo)準(zhǔn)采用ＲPD5層解釋方法: 當(dāng)ＲPD≥3.0 時(shí)，表明模型具有 優(yōu)秀的預(yù)測(cè)能力; 當(dāng) 2.5≤ＲPD ＜ 3．0 時(shí)，表明模型 具有良好的預(yù)測(cè)能力; 當(dāng) 2.0≤ＲPD ＜ 2．5 時(shí)，表明模型可以近似定量預(yù)測(cè); 當(dāng) 1.5≤ＲPD ＜ 2. 0 時(shí)，表 明模型具有區(qū)分高值和低值的可能性; ＲPD ＜ 1．5 時(shí)，表明模型預(yù)測(cè)能力較差。

結(jié)果與分析

3.1 水稻田土壤重金屬含量分析

如表 1 所示，研究區(qū)內(nèi)農(nóng)田土壤 pH 值變化范 圍在 4． 35 ～ 8． 13 之間，81． 8% 土壤樣本呈酸性。樣 本中 Cd 含量離散程度較大，As 元素離散程度較小。

表 1 土壤樣本化學(xué)成分統(tǒng)計(jì)

3.2 水稻葉片光譜與土壤重金屬含量相關(guān)分析

將原始光譜和 7 種變換光譜分別與土壤 Cd、As 含量進(jìn)行 Pearson 相關(guān)性分析，相關(guān)系數(shù)超過(guò)藍(lán)色、 綠色虛線(xiàn)分別表示通過(guò) 0． 05、0． 01 水平的顯著性檢 驗(yàn)，通過(guò) 0． 05 水平的顯著性檢驗(yàn)則認(rèn)為光譜與重金 屬含量顯著相關(guān)。如圖 2 所示，

圖2 不同處理后水稻葉片光譜和土壤 Cd 含量的相關(guān)關(guān)系

原始光譜與土壤 Cd 含量間相關(guān) 系數(shù)均為負(fù)值，無(wú)顯著相關(guān)波段; FD 光譜與土壤 Cd 含量的顯著相關(guān)波段主要分布在 519 ～ 530 nm; SD 光譜與土壤 Cd 含量的顯著相關(guān)波段主要分布在 402 ～ 439 nm 和 502 ～ 546 nm; AT 光譜與土壤 Cd 含 量的顯著相關(guān)波段主要分布在 406 ～ 416 nm; AFD 光譜與土壤 Cd 含量無(wú)顯著相關(guān)波段; ASD 光譜與 土壤 Cd 含量的顯著相關(guān)波段主要分布在 389 ～ 469 nm 和 812 ～ 858 nm; MSC 光譜與土壤 Cd 含量 無(wú)顯著相關(guān)波段; SNV 光譜與土壤 Cd 含量的顯著 相關(guān)波段主要分布在 1 087 ～ 1 053 nm。原始光譜 與土壤 Cd 含量間相關(guān)性較弱，不同預(yù)處理光譜中 只有 SD 光譜和 ASD 光譜與土壤 Cd 含量的顯著相關(guān) 波段達(dá)到 24 個(gè)，F(xiàn)D 光譜、AT 光譜、AFD 光譜、MSC 光 譜和 SNV 光譜與土壤 Cd 含量間相關(guān)波段較少。

圖3 不同處理后水稻葉片光譜和土壤 As 含量的相關(guān)關(guān)系

如圖 3 所示，原始光譜與土壤 As 含量的顯著相 關(guān)波段主要分布在 946 ～ 1 044 nm; FD 光譜與土壤 As 含量的顯著相關(guān)波段主要分布在 759 ～ 1 123 nm; SD 光譜與土壤 As 含量的顯著相關(guān)波段 主要分布在 509 ～ 590 nm、589 ～ 726 nm 和 870 ～ 1 077 nm; AT 光譜與土壤 As 含量的顯著相關(guān)波段 主要分布在 910 ～ 1 048 nm; AFD 光譜與土壤 As 含 量的顯著相關(guān)波段主要分布在 432 ～ 540 nm、759 ～ 1 119 nm; ASD 光譜與土壤 As 含量的顯著相關(guān)波段 主要分布在 449 ～ 546 nm 和 801 ～ 1 077 nm; MSC 光 譜與土 壤 As 含量的顯著相關(guān)波段主要分布在 933 ～ 1 106 nm; SNV 光譜與土壤 As 含量的顯著相 關(guān)波段主要分布在 838 ～ 1 139 nm。相關(guān)分析結(jié)果表明，經(jīng)過(guò)不同數(shù)學(xué)方法變換的 光譜與土壤 Cd、As 含量之間的顯著相關(guān)波段多于 原始光譜，說(shuō)明數(shù)學(xué)變換可以較好地消除背景噪 聲、增強(qiáng)相似光譜之間的差別、突出光譜的特征值。

3.3 水稻葉片光譜與土壤重金屬含量相關(guān)分析構(gòu)建水稻葉片光譜反演土壤CdAs含量估測(cè)模型

3.3.1 遺傳算法波段篩選

將原始光譜和7種變換光譜作為輸入光譜，利用建模集的17個(gè)樣本的重金屬含量代入遺傳算法進(jìn)行波段篩選，結(jié)果見(jiàn)表 2。

表 2 GA 篩選的水稻葉片光譜特征波段

對(duì)于不同預(yù)處理的光譜，遺傳算法從的全波段共230個(gè)波段中挑選了 15 ～ 30個(gè)特征波段用于偏最小二乘回歸法構(gòu)建模型。

3.3.2 GA － PLSＲ 模型和 PLSＲ 模型

將 GA 篩選的特征波段和全波段的原始光譜及7種變換光譜分別使用 PLSＲ方法進(jìn)行建模分析，交叉驗(yàn)證結(jié)果見(jiàn)表 3。

表 3 GA － PLSＲ 和 PLSＲ 模型估測(cè)土壤重金屬含量的交叉驗(yàn)證結(jié)果

相比于使用全波段進(jìn)行偏最小二乘回歸法建立的PLSＲ模型，經(jīng)過(guò)遺傳算法波段篩選再進(jìn)行偏最小二乘回歸的預(yù)測(cè)土壤重金屬含量模型主成分?jǐn)?shù)不變或降低。GA － PLSＲ模型原始光譜和7種變換光譜預(yù)測(cè)土壤Cd含量的r2cv相比于PLSＲ模型提高了6.25% ～ 33． 96% 、ＲMSECV降低了 0．00% ～ 53．52% ，預(yù)測(cè)土壤As含量的r2cv提高了14．29% ～ 53．19% 、ＲMSECV降低了3． 51% ～ 69．35% 。結(jié)果表明，在建立光譜估測(cè)土壤重金屬含量模型前，運(yùn)用遺傳算法以挑選出對(duì)PLSＲ更有意義的波段，提高了模型精度和穩(wěn)定性。

3.3.3 土 壤 Cd、As 含量的最佳估測(cè)模型

對(duì)GA － PLSＲ模型估測(cè)土壤重金屬含量進(jìn)行交叉驗(yàn)證 和外部驗(yàn)證，結(jié)果見(jiàn)表 4。

表 4 GA － PLSＲ 模型估測(cè)土壤重金屬含量的交叉驗(yàn)證和外部驗(yàn)證結(jié)果

相比于原始光譜，光譜經(jīng) 過(guò)不同形式的預(yù)處理提高了預(yù)測(cè)土壤 Cd 含量估測(cè) 模型的r2cv，降低了ＲMSECV; 同時(shí)提高了r2pre，降低了ＲMSEP，提高了ＲPD，表明經(jīng)數(shù)學(xué)變換的光譜提高了土壤 Cd 含量估測(cè)模型的精度和穩(wěn)定性。外部結(jié)果驗(yàn)證中，原始光譜模型、FD 模型、SD 模型、ASD 模 型和 MSC 模型r2pre在 0．41 ～ 0．52 之間，ＲMSEP在 0. 094 ～ 0．105 之間，ＲPD 在 1． 0 ～ 1．5 之間，預(yù)測(cè)土壤 Cd 含量能力較差。AT 模型和SNV模型 r2pre分別為 0．59 和 0．62，ＲMSEP分別為 0．087 和 0. 084，ＲPD 分別為 1．56 和 1．62，具有區(qū)分土壤 Cd 含量高 值和低值的可能性。AFD 模型r2cv最高、ＲMSECV最低，且r2pre最高、ＲMSEP最低，ＲPD 最高( 2．09) ，具 有近似定量預(yù)測(cè)土壤 Cd 含量的能力。7 種變換光譜相比于原始光譜，ＲPD、r2cv和 r2pre有所提高，ＲMSECV和ＲMSEP降低，表明經(jīng)數(shù)學(xué)變換的光譜提高了土壤 As 含量估測(cè)模型的精度和穩(wěn)定性。其中，原始光譜模型、FD 模型、SD 模型、AT 模 型、ASD 模型和MSC模型r2pre在 0．57 ～ 0. 71 之間， ＲMSEP在 0． 530 ～ 0． 647 之間，ＲPD 在 1．5～2．0 之 間，具有區(qū)分土壤 As 含量高值和低值的可能性。SNV模 型r2pre為 0．76，ＲMSEP為 0．479，ＲPD為 2. 06，具有近似定量預(yù)測(cè)土壤 As 含量的能力。AFD 模型r2cv最高、ＲMSECV 最低，且r2pre最高、ＲMSEP最低，ＲPD 最高( 2． 97) ，具有良好的預(yù)測(cè)土壤 As 含量能力。

基于光譜構(gòu)建的土壤Cd含量的GA － PLSＲ估測(cè)模型，其內(nèi)部交叉驗(yàn)證和外部驗(yàn)證的真實(shí)值和預(yù)測(cè)值的 1 ∶ 1 散點(diǎn)見(jiàn)圖 4，

圖4土壤Cd含量最佳估測(cè)模型交叉驗(yàn)證和外部驗(yàn)證的真實(shí)值和預(yù)測(cè)值散點(diǎn)

利用光譜構(gòu)建的土壤 Cd 含量估測(cè)模型，其r2cv為 0．71，ＲMSECV為 0． 066; r2pre為 0．77，ＲMSEP 為 0 058，ＲPD為2. 09， 在所有變換光譜中均最高，具有近似定量預(yù)測(cè)土壤 Cd 含量的能力，為基于水稻葉片光譜的土壤 Cd 含 量的最佳估測(cè)模型。光譜構(gòu)建的土壤 As 含量的GA － PLSＲ估測(cè)模型，其內(nèi)部交叉驗(yàn)證和外部驗(yàn)證的實(shí)測(cè)值和預(yù)測(cè)值的 1 ∶ 1 散點(diǎn)見(jiàn)圖 5

圖5土壤As含量最佳估測(cè)模型交叉驗(yàn)證和外部驗(yàn)證的真實(shí)值和預(yù)測(cè)值散點(diǎn)

利用光譜構(gòu)建的土壤 As 含量估測(cè)模型，其r2cv為 0．89，ＲMSECV 為 0. 343，r2pre為 0．89，ＲMSEP 為 0．297，ＲPD 為 2. 97，在所有變換光譜中均最高，具有良好的預(yù)測(cè)精度和穩(wěn)定 性，為基于水稻葉片光譜的土壤 As 含量的最佳估測(cè)模型。

結(jié)語(yǔ)

研究結(jié)果表明，采用GA－PLAＲ方法構(gòu)建的土壤 Cd 含量的最佳估測(cè)模型為倒數(shù)對(duì)數(shù)的一階微分光譜模型，r2為 0．77，ＲMSEP為 0．058，ＲPD 為 2. 09，具備近似定量預(yù)測(cè)土壤 Cd 含量的能力; 土壤 As 含量的最佳估測(cè)模型為倒數(shù)對(duì)數(shù)的一階微分光譜模型，r2為 0．89，ＲMSEP為 0．297，ＲPD為 2．97， 具有良好的預(yù)測(cè)精度。經(jīng)過(guò)一階微分、二階微分、倒數(shù)對(duì)數(shù)變換、倒數(shù)對(duì)數(shù)的一階微分、倒數(shù)對(duì)數(shù)的二階微分、多元散射校正和標(biāo)準(zhǔn)正態(tài)化等7種數(shù)學(xué)方法變換的光譜相比于原始光譜r2cv和r2pre提 高，ＲMSECV 和 ＲMSEP降低，ＲPD提高，表明經(jīng)數(shù)學(xué)變換處理的光譜提高了土壤 Cd、As含量估測(cè)模型的精度和穩(wěn)定性。采用GA－PLAＲ方法相比于一般的PLSＲ方法構(gòu)建的土壤 Cd、As 含量的估測(cè)模型的r2cv均明顯提高、ＲMSECV均明顯降低。說(shuō)明在建立土壤重金屬含量估測(cè)模型前，利用遺傳算法進(jìn)行光譜波長(zhǎng)篩選可以挑選出對(duì)PLSＲ更有意義的波段，從而提升模型精度，提高模型穩(wěn)定性，即GA－PLSＲ 方法相較于一般的PLSＲ方法能夠提高構(gòu)建估測(cè)模型的精度和穩(wěn)定性?；谶z傳算法優(yōu)化的偏最小二乘回歸法構(gòu)建水稻葉片高光譜的土壤重金屬 Cd、As 含量估測(cè)模型，Cd 預(yù)測(cè)精度達(dá)到70%以上、As 預(yù)測(cè)精度達(dá)到80%以上。說(shuō)明水稻葉片高光譜的GA － PLAＲ模 型具有估測(cè)農(nóng)田土壤Cd和As含量的潛力，為實(shí)現(xiàn)作物葉片光譜預(yù)測(cè)區(qū)域農(nóng)田土壤重金屬污染遙感 監(jiān)測(cè)提供了科學(xué)依據(jù)和可行方案。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專(zhuān)門(mén)用于野外遙感測(cè)量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測(cè)試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。

無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機(jī)、穩(wěn)定云臺(tái)、機(jī)載控制與數(shù)據(jù)采集模塊、機(jī)載供電模塊等部分組成。無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)通過(guò)獨(dú)特的內(nèi)置式或外部掃描和穩(wěn)定控制，有效地解決了在微型無(wú)人機(jī)搭載推掃式高光譜照相機(jī)時(shí)，由于振動(dòng)引起的圖像質(zhì)量較差的問(wèn)題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專(zhuān)門(mén)用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性?xún)r(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶(hù)需求更換物鏡。

審核編輯 黃宇